构建垂直 AI：创始人的早期阶段行动手册
本文信息来源：bvp
为雄心勃勃、致力于在垂直行业中重新定义技术的 AI 初创公司提供的关键洞见与最佳实践。
想要更精简的版本？从资料库中获取速读版。
大型语言模型（LLMs）解锁了传统垂直 SaaS 从未能够实现的能力：自动化高成本、语言密集型任务，而这些任务构成了专业服务中绝大多数的工作内容。律师审查证据开示文件。医生撰写临床记录。会计师准备税务申报。这些工作流程过去由于过于复杂且高度依赖语境，传统软件始终难以处理。但 LLMs 极大地扩展了可实现的边界。
数据清楚地描绘了这一点。商业和专业服务行业正是建立在这类重复性语言任务之上，占美国 GDP 的 13%。这大约是软件市场规模的 10 倍 。垂直 AI 并不是在争夺 IT 预算，而是在争夺劳动力预算。与通常只能获取《财富》500 强企业中一小部分 IT 支出的垂直 SaaS 不同，垂直 AI 直接切入损益表（P&L）中的人工成本项。 这正是我们认为垂直 AI 代表着一个在本质上比垂直 SaaS 更大的机会的原因。
这一势头不容否认。不断壮大的行业巨头，如 Abridge（重塑临床文档流程）、DroneDeploy（用于建筑工地的无人机与机器人）、EliseAI（面向住房和医疗保健的 AI）、EvenUp（自动化人身伤害法律服务）、Fieldguide（重新构想审计工作流程）、Legora（面向公司法的 AI），以及 MaintainX（为制造业数字化维护运营），正在展示当 AI 服务于此前难以触及的工作流程时所能实现的可能性。
在一份此前的报告中，我们预测垂直 AI 公司将在历史性的时间框架内实现超过 1 亿美元的 ARR。我们已经从许多 AI supernovas 身上看到了这一层级的增长势头，并预计首个垂直 AI IPO 很可能会在未来几年内出现。
| 这份早期阶段的实战指南为创始人提供了构建具备防御性的垂直 AI 产品的原则与框架。我们还将为团队提供指导，帮助其选择合适的商业模式、打造竞争护城河，并在改造服务不足行业中高度依赖语言的工作流程的早期阶段，快速验证 ROI。 |
“Good、Better、Best” 框架
| 功能价值 | 经济价值 | 竞争动态 | 防御性 | |
| 良好 | 引入一个演示效果出色的新功能 | 生产力提升 | SaaS 既有厂商或 AI 能力薄弱的初创公司 | 以执行速度作为护城河 |
| 更好 | 推出具有明确 ROI 的新功能，尤其是针对核心业务工作流 | 运营支出（OpEx）成本降低 | 相邻领域的竞争对手或行动迟缓的老牌厂商 | 数据护城河尚处于早期或较弱的复杂产品 |
| 最佳 | 利用“LLM 魔法”端到端地解决在没有 LLMs 的情况下此前无法实现的工作流程 | 为高价值劳动力带来收入提升或生产力提升 | 没有真正的现代化既有巨头 | 围绕数据和/或一流多模态能力构建的复杂产品，具备真正的护城河 |
点击此处深入阅读我们为创始人推荐的 Vertical AI 参考资料，包括我们的四篇系列文章以及相关路线图。
开始构建你的 Vertical AI 产品
最优秀的 Vertical AI 产品并非始于一套技术论断，而是从解决某个行业中对更好工具极度渴求的具体工作流程问题入手。许多最伟大的 SaaS 公司都遵循了这一模式。Shopify 等众多公司，最初都是内部解决方案，随后才拆分出来，成长为各自类别的领导者。
许多初创公司由深耕行业多年的内部人士创立，但我们也见证了“外来者”的力量——他们是产品和技术专家，借助 GenAI 和全新的方法来解决长期存在的行业难题。
例如，Shivdev Rao，M.D. 在创立医疗 AI 公司 Abridge 之前曾是一名心脏病学家；Jin Chang 在创立咨询与审计自动化平台 Fieldguide 之前是一名审计师。还有 Legora 的 Max Junestrand，他并不是律师，却打造了一款帮助律师事务所更好协作的 AI 解决方案。EliseAI 的 Minna Song 也有类似背景；尽管从未从事过物业管理工作，她依然看到了构建 AI agent 以提升医疗和住房领域效率的潜力。
Vertical AI 创始人的“优势”并不总是来自简历上的行业经验，而在于系统性思维、想象力，以及对顾客的深度共情，从而找到在 GenAI 出现之前无法被自动化的垂直行业工作流或任务。
帮助你选择产品创意的四个框架
在聚焦 Vertical AI 的产品想法时，务必思考以下四个方面的考量。
1. 清晰的 ROI 与技术可行性
从两个维度评估潜在的产品想法：业务影响和技术可行性。最佳切入点是 AI 能够可靠执行的高影响力工作流。
寻找：
- 你的目标客户已经精通的、定义精确且可重复的流程。较新或尚不明确的流程应继续由人工驱动，直到实现标准化。
- 在合理预期下，AI 能够安全执行这些流程，而不会降低客户体验，也不会产生合规或安全风险。
- 更好的是：AI 能引入超越人类的能力的工作流程，例如分析多出 1000 倍的数据、全天候 24/7 运作，以及识别对人类而言不可见的模式。
避免：
- 需要持续进行但尚未被规范化的判断决策流程。
- 一旦出错就会损害客户关系或合规性的高风险工作流。
- “平凡但简单”的任务，无法创造有意义的价值。
2. 内行 vs. 外行优势
你是在解决一个自己亲身经历过的问题，还是以一名有充分认知的外行视角切入某个行业？
内行在初期行动更快——他们对工作流程了如指掌，能说客户的语言，并且天然具备信任背书。风险在于：过度从众的思维可能让他们对颠覆性的做法视而不见。
局外人往往面临陡峭的学习曲线，需要耗费数月时间和大量资金，才能理解业内人士直觉掌握的细微差别。然而，局外人也可以通过将新兴技术的应用专长，与对顾客问题的深度共情相结合而取得成功。常见的失败模式是：带着技术出现，却想当然地认为它无需对工作流集成进行近乎偏执的关注就能奏效。成功的局外人不仅在技术上解决问题，更能理解其解决方案如何无缝融入日常运营、监管要求以及现有系统之中。
垂直 AI 通常比横向 SaaS 更能回报行业内部专家的深度经验——你是在受监管行业中重新构想复杂且高度细分的工作流程，而不仅仅是将通用流程数字化。尽管如此，最佳路径往往是将外部视角的创造力与内部人脉相结合，以实现快速验证。正如我们前文所述，突破性的垂直 AI 领导者来自各行各业。
最重要的是： 对你所处行业挑战的深刻理解，清晰识别哪些工作流程能为客户带来真正的 ROI，以及一个你可以率先占据并主导的明确切入点。
3. 找到你的“魔法功能”，并赢得扩展的资格
最优秀的垂直 AI 产品不仅仅是自动化现有的工作流程——它们展现出一种近乎奇迹般的进步，彻底改变了当今工作的完成方式。你的切入点很重要，但更重要的是，利用这一最初的突破赢得资格，逐步扩展到越来越核心的工作流程中。
有三个战略切入点，每个切入点都伴随着不同的风险和要求：
a. 第三层级工作流（更安全的楔子）
从辅助性任务入手——法律研究、临床文档、施工估算——具有明显优势：变革阻力更小、销售周期更短，以及清晰可见的 ROI，可释放产能用于更高价值的工作。Abridge 之所以成功，是因为医生迫切希望消除行政负担，从而形成了一个容易切入的入口。
但这里有一个关键洞察：如果你在边缘位置停留得太久，就会面临被去中介化的风险。你必须利用最初那种“魔法般的体验”，构建向核心工作流扩展的正当性。通过在研究或文档方面展现出极其显著的改进，让客户信任你去处理简报撰写或诊断支持。第三层级的切入点只是一个楔子，而不是最终目的地。
b. 核心功能的相邻扩展（平衡型方法）
如果你的突破更接近核心工作流——例如为律师自动生成起诉材料包，或为保险公司进行承保分析——你仍然可以将其作为独立工具来销售，但它必须具备足够高的价值，才能让用户在其关键路径中容忍引入一个新的解决方案。Sixfold 正是通过直接嵌入现有系统而取得成功，使集成过程变得无缝而非具有破坏性。
其优势在于你已经贴近核心工作流，使后续扩展更加自然。挑战在于你需要更强的可靠性证明，因为错误会影响业务关键型操作。早期客户需要更多说服，但一旦得到验证，你的护城河也会更深。
c. 核心工作流（Toast 剧本）
直指“心脏/肺部机器”——也就是客户运作方式的绝对中心——是可行的，但前提是你的“奇迹”必须无可否认。Toast 并不是对餐厅支付处理做渐进式改进；当竞争对手仍在使用过时硬件时，他们重新构想了整个 POS 系统。
这种方法要求你的团队具备传教士般的热忱。你的第一批客户是在真正地进行一次信仰式的跃迁，只有当你证明自己是在以改变他们的生活为使命，而不仅仅是卖软件，他们才会愿意这样做。Toast 团队曾睡在客户的餐厅里，在柜台后用笔记本电脑提交代码——正是这种程度的投入，让早期采用者相信，可以把自己的运营押注在一个尚未被验证的解决方案上。
现实地说，大多数创始人应该从第三层级或邻近核心的“奇迹”切入，并从那里逐步扩展。但无论切入点在哪里，这个原则始终成立：先展示真正的奇迹，然后在竞争对手追上来之前，利用这份可信度不断扩张。
请记住，与 SaaS 相比，速度比以往任何时候都更加重要。
传统创业智慧认为“在完全站稳脚跟之前要专注于单一产品”。在每一个新功能都需要数月开发的时代，这种做法是合理的。AI 改变了这一等式。一旦你的初始“奇迹功能”被证明可靠，就应立即开始规划相邻扩展——你的“第二幕”。
这种分层蛋糕式的方法（如 Procore、Toast、ServiceTitan 所采用）能够在竞争对手反应之前建立转换成本并加深系统集成。模型能力每周都在演进，而确立品类领导地位的窗口期以季度而非年为单位衡量。用你的初始产品赢得扩展的资格，然后迅速行动。
4. 渐进式委派 vs. 完全替代
AI 并不需要完全替代一个工作流程才能产生价值。事实上，将完全自动化作为目标可能适得其反——它会制造不切实际的期望，当现实无法达到时，反而扼杀推进的动力。
相反，应以“渐进式委托”为目标。 先从自动化工作流程中一个可控的部分入手（最耗时、价值最低的那一环）。其余部分先由人工处理。随着你从实际生产使用中不断学习，再逐步自动化更多步骤。
这种方法具有多重优势：
- 通过更紧密的反馈循环实现更快的交付
- 在高风险决策中让人类保持在环，从而降低风险
- 使客户能够将剩余的人工步骤进行标准化，为后续实现自动化做好准备
- 随着你自动化更多工作流程，创造扩展包收入机会
这里有一个示例： 一个 AI 审计工具可以从自动化证据收集和初步分析开始，而审计师负责最终判决和客户沟通。随着时间推移，当系统被证明足够可靠时，它可以承担更多的审计流程——但最初的产品无需实现完美自动化，就能立即创造价值。
选择高影响力用例：三步测试
在确定产品想法之前，确保它通过以下三项测试：
1. 你的产品想法是否能够提供赋能型 ROI？
你的自动化是否解锁了客户此前完全无法实现的全新能力？这比单纯的生产力提升更有价值。
- 赋能： 无需工程时间即可进行定制化演示，分析规模大到人类无法处理的数据集，基于多出 1000 倍的对话进行辅导
- 成本节约： 抵消未来招聘需求，防止高昂的人员流失成本（例如 Abridge 在内科医生留任方面节省了数百万美元）
- 生产力提升： 在任务上节省时间（仅当将节省的时间重新投入到战略性工作中时才有价值）
赋能型 ROI 往往在企业销售中最为重要——它解锁的是能力，而不仅仅是效率提升。
2. 你的产品是否针对已经标准化且可重复的流程？
寻找你的目标客户经常执行、每次方式相同、且结果始终稳定为正的流程。如果某个流程需要持续即兴发挥，或依赖尚未被明确规范的判断，那么它还不适合被自动化。
可以通过以极其详细的方式记录整个工作流程来验证这一点。如果你在文档中频繁写下“这取决于……”，说明该流程在 AI 能够可靠处理之前，还需要进一步标准化。
3. 该使用场景是否在初期具有足够狭窄的范围和较低的风险？
从那些即使出错也可恢复、且不会损害顾客关系、隐私、安全、公平性或合规性的自动化场景入手。即使你认为风险很低，也应在获得生产环境经验之前，避免处理高风险的工作流。
一旦在低风险用例中证明了可靠性，就可以在已建立信心和顾客信任的基础上，自信地扩展到更高价值（也伴随更高风险）的工作流。
Vertical AI 创业者应遵循的 10 条原则
我们认为，业务的可防御性来自于对工作流足够深入的理解，从而实现可靠的自动化；与现有系统的深度集成；以及按照你所创造的价值进行定价。（如需更深入地了解每一项原则，请回顾我们系列文章的第四部分。）
- 以客户为中心的自动化： 仅在自动化与客户需求和使用情境相匹配的情况下构建解决方案，而不是仅因为技术上可行。
- 避免商品化功能： 专注于差异化、深度集成的工作流程，而不是竞争对手可以轻易复制的功能。
- 利用 AI 执行超人类任务： 在 AI 能够以人类无法企及的规模或速度运行的领域中识别并实施应用。
- 可量化的 ROI 释放价值： 通过清晰可见的收入增长或成本降低来推动采用并建立用户忠诚度。
- 在商业模式上进行创新： 拥抱由 AI 自动化赋能的全新交付方式和定价模式，以触达更广泛的市场细分并提升利润率。
- 聚焦细分且服务不足的市场： 初期竞争优势往往存在于被忽视但 ROI 较高的领域。
- 针对细微差异化需求进行定制： 满足合规或安全等复杂的买方需求，以构建可防御的壁垒。
- 技术护城河源自多模态： 竞争优势正日益取决于数据类型的组合以及工作流集成，而不仅仅是专有模型本身。
- 构建模块化且具备适应性的系统： 确保技术基础设施能够随着 AI 的演进，灵活集成最优模型。
- 优先重视数据质量而非数量： 早期成功依赖于高质量、相关性强的数据，这些数据会随着业务规模扩大而持续复利增长。
对下一代 Vertical AI 创业者的号召
明日的巨头正在今天被打造——但还有无数仍只是等待被想象的想法。如果你是一名有志创业者，身处一个亟需振兴的行业，不妨从在日常工作中自动化你自己的工作流程开始。如果你能让这些解决方案首先为自己奏效，你就已经验证了你的第一个产品。
| 如果你已经在打造 Vertical AI 应用，我们非常乐意听到你的分享。欢迎通过电子邮件联系团队：VerticalAI@bvp.com。 |
Vertical AI 创始人推荐阅读
如果你还没有阅读，欢迎深入了解我们由四个部分组成的 Vertical AI 系列，该系列提供了在这一类别中构建产品所需的核心框架。
- 第一部分探讨了 Vertical AI 在何处创造真正的价值、何处只是“自动化表演”，并区分核心工作流与支持性工作流，同时剖析了 EvenUp、Abridge 和 Fieldguide 等突破性公司。
- 第二部分 将视野从文本扩展到多模态 AI——探索语音、视觉和视频能力，解锁全新的自动化类别，从低于 500 毫秒的语音识别到建筑蓝图解读。
- 第三部分 解构了正在重塑垂直软件经济的三种商业模式（Copilots、Agents 和 AI-enabled Services），帮助创始人理解哪种模式适合其市场，以及何时进行演进。
- 第四部分 提炼了构建具备防御性的垂直 AI 业务的十项原则，涵盖如何增强功能价值、经济价值、竞争地位以及长期防御力。
我们不断扩展的垂直 AI 路线图库
在我们关于 Vertical AI 的基础性观点之外，我们还发布了涵盖开发者平台、IT 服务、建筑与房地产等领域的投资策略。欢迎在我们的 Vertical AI 图书馆中探索所有新兴的投资路线图。
| 研究与路线图 | 垂直领域 / 服务 | 摘要 |
| 建成环境 AI | 建筑与房地产 | 建成环境推动了美国近四分之一的 GDP，却仍然是数字化程度最低的行业之一。多模态 AI 正在推动我们在设计、构建和运营建成环境方式上的下一波创新。 |
| 语音 AI | 跨所有行业的语音应用 | 语音技术全栈的进步如何实现类人对话，并在转录、呼入销售、客户支持以及跨多个垂直行业的外呼等应用中落地。 |
| 用 AI 服务重塑印度 IT 行业 | IT 服务 | AI 正在通过三种新的商业模式颠覆印度价值 2640 亿美元的 IT 服务行业：AI 赋能的服务、为 AI 而生的服务（数据基础设施和 LLMOps），以及纯软件平台。 |
| 公共安全 AI | 应急响应 | AI 正在通过自动化非紧急呼叫处理、调度员培训、为一线应急人员提供心理健康支持，以及实时事件检测，重塑应急服务和公共安全的方式。 |
本指南由 Kent Bennett、Sameer Dholakia 和 Brian Feinstein 共同合作完成。相关研究主要来源于 Vertical AI 系列，该系列由 Sameer Dholakia、Caty Rea、Alex Yuditski、Brian Feinstein、Byron Deeter、Kent Bennett、Mike Droesch、Maha Malik、Sam Bondy 和 Aia Sarycheva 共同开发并撰写。